論文の概要: SFBD-OMNI: Bridge models for lossy measurement restoration with limited clean samples

• arxiv url: http://arxiv.org/abs/2512.17051v1
• Date: Thu, 18 Dec 2025 20:37:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-22 19:25:54.16325
• Title: SFBD-OMNI: Bridge models for lossy measurement restoration with limited clean samples
• Title（参考訳）: SFBD-OMNI:限られたクリーンサンプルによる損失測定復元のためのブリッジモデル
• Authors: Haoye Lu, Yaoliang Yu, Darren Ho,
• Abstract要約: 多くの実世界のシナリオでは、完全に観察されたサンプルを得ることは高価または不可能である。 本研究では,ブラックボックスジェネレータとして汚損過程が利用できることを前提として,豊富なノイズサンプルを用いた分布復元について検討する。 本研究では,この課題を片側最適輸送問題とみなすことができ,EMライクなアルゴリズムを用いて解決できることを示す。
• 参考スコア（独自算出の注目度）: 22.912528721457473
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: In many real-world scenarios, obtaining fully observed samples is prohibitively expensive or even infeasible, while partial and noisy observations are comparatively easy to collect. In this work, we study distribution restoration with abundant noisy samples, assuming the corruption process is available as a black-box generator. We show that this task can be framed as a one-sided entropic optimal transport problem and solved via an EM-like algorithm. We further provide a test criterion to determine whether the true underlying distribution is recoverable under per-sample information loss, and show that in otherwise unrecoverable cases, a small number of clean samples can render the distribution largely recoverable. Building on these insights, we introduce SFBD-OMNI, a bridge model-based framework that maps corrupted sample distributions to the ground-truth distribution. Our method generalizes Stochastic Forward-Backward Deconvolution (SFBD; Lu et al., 2025) to handle arbitrary measurement models beyond Gaussian corruption. Experiments across benchmark datasets and diverse measurement settings demonstrate significant improvements in both qualitative and quantitative performance.
• Abstract（参考訳）: 多くの実世界のシナリオでは、完全に観察されたサンプルを得るのは違法に高価または不可能であり、部分的な観測とノイズの観測は比較的容易に収集できる。 本研究では,ブラックボックスジェネレータとして汚損過程が利用できることを前提として,豊富なノイズサンプルを用いた分布復元について検討する。 本研究では,この課題を片面のエントロピー最適輸送問題とみなすことができ,EMライクなアルゴリズムを用いて解決できることを示す。 さらに,サンプルごとの情報損失で真の分布が回復可能かどうかを判定するためのテスト基準も提供し,発見不可能なケースでは,少数のクリーンサンプルがその分布をほぼ回復可能であることを示す。 これらの知見に基づいて,劣化したサンプル分布を地中構造分布にマッピングする橋梁モデルに基づくフレームワークであるSFBD-OMNIを紹介する。 提案手法は,確率的前方デコンボリューション(SFBD; Lu et al , 2025)を一般化し,ガウスの腐敗を超えて任意の測定モデルを扱う。 ベンチマークデータセットとさまざまな測定設定による実験は、質的、定量的両方のパフォーマンスにおいて大きな改善を示している。

関連論文リスト

• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• One-shot Conditional Sampling: MMD meets Nearest Neighbors [3.6831672200803993]
  条件抽出のための新しいフレームワークであるMD(CGMMD)を用いた条件付きジェネレータを提案する。 CGMMDの重要な特徴は、ジェネレータの1つの前方通過で条件付きサンプルを生成する能力である。 CGMMDは複雑な条件密度を含む合成タスクにおいて競合的に機能することを示す。
  論文  参考訳（メタデータ） (2025-09-29T21:04:50Z)
• Self-Guided Generation of Minority Samples Using Diffusion Models [57.319845580050924]
  データ多様体の低密度領域に居住する少数サンプルを生成するための新しい手法を提案する。 我々のフレームワークは拡散モデルに基づいて構築されており、ガイドドサンプリングの原理を生かしている。 実データセットのベンチマーク実験により、我々のアプローチは現実的な低自由度マイノリティインスタンスを作成する能力を大幅に改善できることが示された。
  論文  参考訳（メタデータ） (2024-07-16T10:03:29Z)
• Entropy-MCMC: Sampling from Flat Basins with Ease [10.764160559530849]
  我々は, シャープモードから解放された円滑な後円板に類似した定常分布である補助誘導変数を導入し, MCMC試料を平らな盆地に導出する。 この導出変数をモデルパラメータと統合することにより、計算オーバーヘッドを最小限に抑えた効率的なサンプリングを可能にする、単純なジョイント分布を作成する。 実験により,提案手法は後方の平らな盆地から試料を採取し,比較したベースラインを複数ベンチマークで比較した。
  論文  参考訳（メタデータ） (2023-10-09T04:40:20Z)
• Fake It Till You Make It: Near-Distribution Novelty Detection by Score-Based Generative Models [54.182955830194445]
  既存のモデルは、いわゆる"近く分布"設定で失敗するか、劇的な低下に直面します。 本稿では, スコアに基づく生成モデルを用いて, 合成近分布異常データを生成することを提案する。 本手法は,9つのノベルティ検出ベンチマークにおいて,近分布ノベルティ検出を6%改善し,最先端のノベルティ検出を1%から5%パスする。
  論文  参考訳（メタデータ） (2022-05-28T02:02:53Z)
• Sampling from Discrete Energy-Based Models with Quality/Efficiency Trade-offs [3.491202838583993]
  エネルギーベースモデル(EBM)は、確率分布の非常に柔軟な仕様を可能にする。 これらの分布から正確なサンプルを得るためのメカニズムは提供されていない。 そこで本研究では,サンプリング効率とサンプリング品質のトレードオフを可能にする,新しい近似サンプリング手法であるQuasi Rejection Smpling (QRS)を提案する。
  論文  参考訳（メタデータ） (2021-12-10T17:51:37Z)
• Learning Energy-Based Models by Diffusion Recovery Likelihood [61.069760183331745]
  本稿では,エネルギーベースモデルから気軽に学習・サンプルできる拡散回復可能性法を提案する。 学習後、ガウスの白色雑音分布から初期化するサンプリングプロセスにより合成画像を生成することができる。 非条件 CIFAR-10 では,本手法は FID 9.58 と開始スコア 8.30 を達成する。
  論文  参考訳（メタデータ） (2020-12-15T07:09:02Z)
• One for More: Selecting Generalizable Samples for Generalizable ReID Model [92.40951770273972]
  本稿では,選択したサンプルを損失関数として一般化する1対3の学習目標を提案する。 提案した1対3のサンプルは,ReIDトレーニングフレームワークにシームレスに統合できる。
  論文  参考訳（メタデータ） (2020-12-10T06:37:09Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。